Aprendizaje robótico por imitación utilizando imágenes 2D y 3D

Abstract

Resumen Cada vez es más común encontrar robots realizando tareas en áreas compartidas con humanos, donde se espera que sean capaces de aprender de las acciones realizadas por otros y de adaptarse a nuevas situaciones. La aproximación más utilizada es aprendizaje por imitación, donde el robot es capaz de aprender a partir de la observación de la tarea siendo realizada por un operario. Luego de comparar varias de las técnicas de programación por demostración, se seleccionan las primitivas de movimiento dinámico (DMP) con reconstrucción utilizando regresión de procesos gaussianos (GPR). Las DMP codifican cada uno de las trayectorias dadas por los grados de libertad pertinentes a la acción a aprender, en este caso, llevar la mano hacia un objeto ubicado sobre una mesa. Por otro lado, GPR permite generalizar los movimientos del entrenamiento a nuevas trayectorias, cuando cambian tanto la posición inicial de la mano como la ubicación del objeto. Se realizó una comparación de varias técnicas de aprendizaje, teniendo en cuenta el error al objetivo, la correlación cruzada entre las señales de entrada y salida, y el tiempo de codificación y reconstrucción de la trayectoria. Además, la técnica de generalización se compara contra un algoritmo basado en distancia de Mahalanobis y distribución gaussiana, que utiliza los datos de la trayectoria sin codificar para realizar la estimación. La técnica regresión de procesos gaussianos, presentó un mayor desempeño al probarlo con 30 puntos de consulta para el valor inicial de la mano, y 30 puntos para la posición final o posición del objeto. La técnica de regresión de procesos gaussianos junto a primitivas de movimiento dinámico, se presenta como una solución para el aprendizaje por imitación de tareas, así como para la generalización a nuevas trayectorias a partir de la base de datos, al presentar bajos tiempos de codificación y errores pequeños con respecto a los valores objetivo.

Abstract: It is becoming increasingly common to find robots performing tasks in shared areas with humans, they are expected to be able to learn from the actions taken by others and adapt to new situations. The most widely used approach is learning by imitation, where the robot is able to learn from watching the task being performed by an operator. After comparing several programming by demonstration techniques, the dynamic movement primitives (DMP) with reconstruction using Gaussian process regression (GPR) was selected. DMP encodes each of the paths given by the relevant degrees of freedom to bring the hand toward an object placed on a table. Furthermore, GPR allows to generalize the training movements to new paths when changing both the initial hand position and the location of the object. A comparison of various learning techniques was performed, considering the error to the target, the cross-correlation between the input and output signals, and time of coding and reconstruction of the trajectory. Besides, the technique is compared against a generalization based on the Mahalanobis distance and Gaussian distribution, which uses data from uncoded trajectories for the estimate. The Gaussian process regression technique, presented a better performance when tested with 30 queue points for the initial value of the hand, and 30 points for the final position of the object. Gaussian process regression along dynamic movement primitives is presented as a solution for learning by imitation of task, as well as generalization to new paths from the database, because of its fast encoding times and small errors regarding the target values.